2.8 万亿参数全球最大开源模型——Kimi K3 前端代码登顶，但综合智能还差一截

2.8 万亿参数。896 个专家，每 token 只激活 16 个。100 万上下文窗口。原生视觉理解。

7 月 16 日，月之暗面发布 Kimi K3——全球参数最大的开源模型，也是首个突破 2 万亿参数大关的开源模型。

Reddit 上已经炸了：**"KIMI K3 Beats Claude Fable and GPT-5.6 Sol in arena.ai!!!"**

但先别急着庆祝。Frontend Code Arena 登顶 ≠ 综合智能登顶。月之暗面自己都说了：**"K3 整体表现仍落后于最强闭源系统。"**

K3 到底强在哪

Artificial Analysis 独立评测数据：

核心亮点：

• Frontend Code Arena 1679 分，全球第一——超越 Claude Fable 5
• 14 项基准对 GPT-5.6 Sol 赢了 11 项
• BrowseComp 91.2 分，单 Agent SOTA（无上下文压缩）
• 综合智能 57 分，超过 Opus 4.8，但落后 Fable 5（60 分）和 GPT-5.6 Sol

月之暗面官方坦诚：Fable 5 的结果包含 fall back（部分任务切换到 Opus 4.8 兜底），K3 仍有提升空间。

三个你该关注的技术细节

1. KDA（Kimi Delta Attention）——混合线性注意力

传统 Transformer 的注意力是 O(n²) 复杂度，100 万 token 上下文意味着天文数字的计算量。KDA 的思路是：大部分 token 用线性注意力（O(n)），关键位置用全注意力（O(n²)）。两者通过"注意力残差"（Attention Residuals）融合。

这不是新概念——Mamba、RWKV 都在做线性注意力。但 KDA 的创新在于混合策略：不是全换线性，而是"关键位置全注意力 + 其余线性"，在长上下文场景下兼顾精度和效率。

2. 896 专家 MoE，每 token 激活 16 个

2.8 万亿参数，但每 token 只激活 16/896 ≈ 1.8% 的参数。结合 Stable Latent MoE 框架，相比 K2 的整体扩展效率提升约 2.5 倍——同样的算力，2.5 倍的能力提升。

对比：DeepSeek V4 是 1.6T 参数/49B 激活，GLM-5.2 是 744B 参数。K3 的 2.8T 总参数是最大的，但 16/896 的激活比也是最低的——大而不贵，稀疏是关键。

3. 原生视觉理解 + 代码-渲染双循环

K3 不只是"能看图"——它能在源代码和渲染结果之间来回切换，结合截图、日志、测试结果判断下一步修改方向。这让它特别适合游戏开发、前端工程、CAD 工作流。

有用户让 K3 做一款类似《我的世界》的小游戏——最终生成结果不仅包含基础玩法，还加入了多种游戏机制和音效。

API 定价：告别白菜价

K3 的定价直接对标 Claude Sonnet 5 / Opus 4.8，是 K2.6 的 3 倍。

Neura Market 的评价很直接：**"K3 标志着中国超低价 AI 模型的终结。"** 虽然仍比西方顶级竞品便宜。"**

月之暗面 ARR 突破 3 亿美元（API 收入占七成），海外付费用户增长 400%——它不再需要用白菜价换市场了。

代价清醒

1. 综合智能 57 分，不是"追平"是"接近"

Frontend Code Arena 登顶很亮眼，但这是细分场景。综合智能指数 57 分 vs Fable 5 的 60 分 vs GPT-5.6 Sol 的更高分——差距在缩小，但还在。

金融时报说得更直白：**"K3 虽然预计仍无法超越 Anthropic 此前因安全问题暂停发布的超前沿模型 Fable。"**

2. Fable 5 的 fall back 机制是 K3 没有的

Fable 5 在部分任务上会切换到 Opus 4.8 兜底——这是一个"双保险"机制。K3 是单模型，没有 fall back。在极端困难任务上，K3 可能直接失败，而 Fable 5 还有 Opus 兜底。

3. 权重还没开源

7 月 16 日发布，但完整模型权重要到 7 月 27 日前才开源。技术报告也还没发。现在能用的只有 API——**"开源"但暂时"不开"。**

4. 2.8T 参数的部署门槛

896 专家 MoE，即使只激活 16 个，推理也需要大量显存。本地部署 K3 的硬件需求目前未知——但肯定不是消费级显卡能跑的。 对比 DeepSeek V4 Flash（284B 总参数/13B 激活）已经需要专业硬件，K3 的 2.8T 只会更难。

5. KDA 注意力的实际效果待验证

KDA 在官方评测中表现好，但独立第三方对 KDA 的复现验证还没有。线性注意力在长上下文场景下的精度损失是已知问题——KDA 的混合策略是否真的解决了这个问题，需要社区验证。

6. 估值 315 亿美元的压力

年内 6 轮融资，投前估值 315 亿美元（去年 12 月 C 轮 43 亿美元，7 个月涨了 7 倍）。高估值意味着高预期——K3 必须持续证明自己，否则估值泡沫会破。

7. "中国模型落后 8-12 个月"的认知正在被打破——但还没完全打破

金融时报：**"K3 足以挑战市场长期以来认为中国模型落后美国 8-12 个月的普遍认知。"** 挑战 ≠ 打破。Frontend Code Arena 登顶是事实，综合智能落后也是事实。

谁该用，谁不该用

该用：

• 前端开发者——Frontend Code Arena 全球第一不是吹的
• 游戏开发者——代码-渲染双循环能力突出
• 需要开源模型的企业——7 月 27 日权重开源后可私有化部署
• 长上下文场景——1M token + KDA 线性注意力
• 想注册 Kimi 的用户——帮我助力，一起拿大奖！完成 Kimi 注册，你我都能 100% 拿奖，最高可得 1 年会员等值权益：https://kimi-bot.com/activities/zh-cn/viral-referral/share?scenario=invite&from=share_poster&invitation_code=QGHJZT

不该用：

• 追求综合智能天花板的用户——Fable 5 / GPT-5.6 Sol 仍然更强
• 预算敏感的团队——K3 定价已对标 Claude，不再是白菜价
• 需要本地部署且硬件有限的——2.8T 参数门槛极高
• 需要 fall back 保险的——K3 是单模型，没有兜底机制

判断

Kimi K3 是中国开源模型的一次重要跃迁——不是"追平"，是"接近"。

Frontend Code Arena 登顶、14 项基准 11 项赢 GPT-5.6、BrowseComp 单 Agent SOTA——这些是硬数据。但综合智能 57 分 vs Fable 5 的 60 分，差距还在。

月之暗面的策略很清晰：用开源换生态，用细分领先换认知，用 2.8T 参数换话语权。 K3 不需要在所有维度都赢——只需要在足够多的维度"足够接近"，就能让开发者在"闭源 $30/M vs 开源 $15/M"之间做出选择。

2.8 万亿参数是里程碑，但里程碑不是终点。 下一步看 7 月 27 日权重开源后的社区复现——KDA 到底行不行，896 专家 MoE 到底好不好部署，那时候才有答案。

现在？先注册 Kimi 试试——反正免费，还有邀请奖励：

帮我助力，一起拿大奖！完成 Kimi 注册，你我都能 100% 拿奖，最高可得 1 年会员等值权益：https://kimi-bot.com/activities/zh-cn/viral-referral/share?scenario=invite&from=share_poster&invitation_code=QGHJZT

相关链接：

• Kimi K3 官方发布：https://kimi.com
• Artificial Analysis 评测：https://artificialanalysis.ai/models
• VentureBeat 报道：https://venturebeat.com/technology/chinas-moonshot-ai-releases-kimi-k3-the-largest-open-source-model-ever-rivaling-top-u-s-systems
• Neura Market 定价分析：https://www.neura.market/news/kimi-k3-open-model-nears-gpt-5-6-sol-and-fable-5-performance
• Reddit LocalLLaMA 讨论：https://www.reddit.com/r/LocalLLaMA/comments/1uydii0/kimi_k3_beats_claude_fable_and_gpt_56_sol_in
• 七牛云新闻：https://news.qiniu.com/archives/1784252686965